Tensorflow基本概念

简介：本文从Graph讲到Session，同时讲解了tf.constant创建tensor的用法和variable需要初始化的知识点，可以给你打好一个学习Tensorflow的基础。本文都是基于TensorFlow1.14.0的版本下运行。

本专栏将会系统的讲解TensorFlow在1.14.0版本下的各种用法并且会讲解各种常用的神经网络模型，希望能给大家带来一定的帮助，我也需要大家的关注

Tensorflow基本概念

- 1.1使用图Graphs表示计算任务
- [1.2 在被称之为会话Session的上下文Context中执行图](#1.2 在被称之为会话Session的上下文Context中执行图)
- [1.3 使用tensor表示数据](#1.3 使用tensor表示数据)
- - [1.3.1 tf.constant的用法](#1.3.1 tf.constant的用法)
- [1.4 通过变量vaiable维护状态](#1.4 通过变量vaiable维护状态)
- [1.5 使用feed和fetch可以为任意的操作赋值或者从其中获取数据](#1.5 使用feed和fetch可以为任意的操作赋值或者从其中获取数据)
沟通
致谢

1.1使用图Graphs表示计算任务

as_default是一种方便、规范地管理和使用自定义计算图，将相关操作准确添加到期望的计算图中的重要手段。

python 复制代码

import tensorflow as tf
Graph_mean = tf.Graph()
with Graph_mean.as_default():
    # 在这个自定义图中定义两个常量
    a = tf.constant(5, name='a')
    b = tf.constant(3, name='b')
    # 定义一个加法操作
    c = tf.add(a, b, name='c')

# 查看计算图中的操作
print(Graph_mean.get_operations())

在上述代码中：

首先通过 tf.Graph() 创建了一个新的计算图对象 graph。

然后使用 with graph.as_default() 上下文管理器，确保后续定义的操作都添加到这个自定义的计算图中。这里定义了两个常量 a 和 b，并通过 tf.add 操作将它们相加得到 c。

最后通过 graph.get_operations() 打印出这个计算图中的操作信息，可以看到包含了定义的常量和加法操作相关内容。

1.2 在被称之为会话Session的上下文Context中执行图

在下面这段代码中通过tf.compat.v1.Session 定义一个会话，使用run来进行定义好的加法操作

python 复制代码

import tensorflow as tf
Graph_mean = tf.Graph()
with Graph_mean.as_default():
    # 在这个自定义图中定义两个常量
    a = tf.constant(5, name='a')
    b = tf.constant(3, name='b')
    # 定义一个加法操作
    c = tf.add(a, b, name='c')

with tf.compat.v1.Session(graph = Graph_mean) as cacluate:
    result = cacluate.run(c)
    print("计算结果:", result)

注意：网上跟TensorFlow的代码有很多，因为版本不同，有的时候会遇到warnings ，一些老版本的代码使用的是tf.Session，但是在1.14.0的版本中，对于老版本代码不再维护，推荐使用tf.compat.v1.Session来避免warnings，提醒大家是怕大家在阅读一些Github中找到的项目复制代码到自己的项目中。

1.3 使用tensor表示数据

1.3.1 tf.constant的用法

tf.constant(value, dtype=None, shape=None, name='constant')

dtype：这是可选参数，用于指定张量的数据类型。

shape：也是可选参数，用于指定张量的形状。如果指定了形状，value的元素个数必须与形状所定义的元素个数一致。

name：同样是可选参数，用于给这个常量张量一个名字。

下面的代码展示了不同参数的作用

python 复制代码

import tensorflow as tf
# 这是一个标量，也可以叫做零维张量
zero_dim_scalar = tf.constant(10,dtype=tf.float32)
# 创建一个一维张量
one_dim_tensor = tf.constant([1,2,3])
# 创建一个二维张量
two_dim_tensor = tf.constant([[1,2],[3,4]])
# 创建一个三维张量
tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]],name='three_dim_tensor')

with tf.compat.v1.Session()as cacluate:
    print(f"常量:{cacluate.run(zero_dim_scalar)}")
    print(f"一维张量:{cacluate.run(one_dim_tensor)}")
    print(f"二维张量:{cacluate.run(two_dim_tensor)}")
    print(f"三维张量:{cacluate.run(three_dim_tensor)}")

1.4 通过变量vaiable维护状态

在下面这段代码中，使用tf.Variable定义一个变量variable_element，给他定义了一个自增1 操作add_one_option，在会话中初始化以后，用for循环重复执行查看变量变化情况

python 复制代码

import tensorflow as tf
# 定义一个Variable 变量叫做 variable_element
variable_element = tf.Variable(0, dtype=tf.int32)
# 定义一个使 variable_element自增1的操作
add_one_option = variable_element.assign_add(1)
# 使用variable需要先初始化
init_option = tf.global_variables_initializer()

with tf.compat.v1.Session() as cacluate:
    cacluate.run(init_option)
    for i in range(5):
        cacluate.run(add_one_option)
        print("变量当前值:", cacluate.run(variable_element))

1.5 使用feed和fetch可以为任意的操作赋值或者从其中获取数据

在下面的代码实例中，定义了占位符，并且定义了平方操作，然后传入需要处理的数据

python 复制代码

import tensorflow as tf
# 创建占位符
place = tf.compat.v1.placeholder(dtype = tf.int32,shape = [None])

# 创建一个操作，计算向量中元素的平方
square_option = tf.square(place)

with tf.compat.v1.Session() as sess:
    # 使用feed机制，将实际的数据传入占位符并执行操作，获取结果（fetch）
    input_data = [1, 2, 3]
    result = sess.run(square_option, feed_dict={place: input_data})
    print("计算结果:", result)

沟通

如果你们哪里有看不懂的地方可以积极和我沟通，我哪里讲的不够全了，哪里讲的不太对了，万事万物都是发展的，当你们有经验了以后，你们也会发现我的不足，希望我们能共同进步。

致谢

本文参考了一些博主的文章，博取了他们的长处，也结合了我的一些经验，对他们表达诚挚的感谢，使我对 TensorFlow的使用有更深入的了解，也推荐大家去阅读一下他们的文章。纸上学来终觉浅，明知此事要躬行：
TensorFlow创建常量(tf.constant)详解
 tf.compat.v1.placeholder